Você está na página 1de 3

4 ARMADILHAS DA ANLISE

PREDITIVA
O objetivo da anlise preditiva ir alm das estatsticas e mostrar,
atravs dos dados coletados, uma melhor viso do que vai acontecer
no futuro. Assim possvel tomar decises melhores e produzir
insights que levaro a aes melhores.
No entanto, h uma srie de armadilhas de anlise predetiva nas
quais as empresas caem ao tentar aproveitar as vantagens da anlise
preditiva.
Conhea quatro delas:
Pensamento mgico
Algumas empresas enxergam analytics como uma espcie de mgica:
basta colocar alguns dados e colher os lucros dos resultados.
As organizaes, no entanto, precisam entender bem o que querem
antes de investir em analytics, especialmente quando se trata de
fazer previses.
O business analytics serve para identificar quatro elementos: riscos,
oportunidades, fraudes e demandas.
Um nico modelo construdo no pode ser aplicado em todo lugar.
Cada um dos quatro usos de business analytics geralmente demanda
um modelo diferente.
Por isso, as empresas precisam determinar o que querem, pois pode
ser necessrio um modelo para cada questo.
Comear pelo topo
Muitas organizaes costumam comear a usar anlise preditiva pelo
topo das organizaes para serem convencidas de sua importncia.
No entanto, a anlise preditiva funciona melhor em decises feitas
repetidamente.
O time de executivos geralmente responsvel por tomar decises
estratgicas, em geral, situaes nicas. Outras decises relacionadas
ao topo de uma organizao costumam ser tticas, relativamente
complexas e difceis de formalizar.
Por outro lado, decises operacionais, como a escolha de um
fornecedor ou a determinao de uma extenso ou no de crdito,
so mais prprias para a anlise preditiva.
Construir modelos limitados
As empresas precisam enquadrar a anlise preditiva de acordo com
aes. Em vez de observar o quanto um cliente bom, por exemplo,
pensar em quais aes podem ser tomadas em relao a ele, como a
mudana de um fornecedor.
Empresas que no entendem os tipos de decises que querem tomar
tero dificuldades para obter retorno do uso da anlise preditiva.
O foco em decises pode ajudar a evitar a criao de modelos de
analytics que no podem ser escalados. Especialistas em analytics
no so mais conectados aos negcios da empresa que outros
profissionais.
O foco em decises pode ajudar a fechar essa lacuna. Caso contrrio,
os especialistas podem acabar criando modelos que se aplicam a
apenas uma situao ou so complexos e caros demais para serem
reutilizados facilmente.
Muitas vezes, empresas querem usar um conjunto de algoritmos
preditivos sem pensar em como us-los. Se os pilotos no forem
construdos de forma escalada, no podero ser industrializados
para que possam ser usados em outras situaes para responder s
mesmas perguntas.
As empresas precisam testar seus modelos e aprender a adapt-los
procurando maneiras de escalar o impacto de suas decises.
Procurar dados purificados
Muitas empresas ficam estagnadas pela falta de qualidade de seus
dados. Bons dados so teis, mas as empresas devem comear pela
deciso que querem tomar e ento procurar pelos dados que possam
ajudar a prever os aspectos.
Os dados precisam vir de fora das paredes corporativas. Para muitos
casos, os dados necessrios no precisam ser imaculados.
As ferramentas Splunk para business analytics, fornecidas pela
PROOF, podem obter informaes de negcio em tempo real a partir
de dados de mquina, integrar e analisar dados estruturados junto a
dados de mquina para criar contexto, complementar tecnologias de
BI para obter insights e analisar e prever cenrios a partir da anlise
de dados.
Com MIT Sloan Management Review
http://www.proof.com.br/blog/quatro-armadilhas-da-analise-preditiva/